编辑 | 白菜叶
Prechtl 全身运动评估 (GMA) 因其在评估神经系统发育完整性和预测运动功能障碍方面的作用而日益得到认可，特别是在脑瘫 (CP) 等疾病中。然而，对训练有素的专业人员的需求，阻碍了一些国家采用 GMA 作为早期筛查工具。
在最新的研究中，上海交通大学的研究人员提出了一种基于深度学习的运动评估模型（MAM），该模型结合了婴儿视频和基本特征，旨在在烦躁运动（FM）阶段实现 GMA 自动化。
MAM 表现出强大的性能，在外部验证期间实现了 0.967 的曲线下面积 (AUC)。重要的是，它严格遵循 GMA 的原则，并具有强大的可解释性，因为它可以准确识别视频中的 FM，与专家评估基本一致。
利用预测的 FM 频率，引入定量 GMA 方法，其 AUC 达到 0.956，将 GMA 初学医生的诊断准确性提高了11.0%。MAM 的发展有可能显著简化早期 CP 筛查，并彻底改变基于视频的定量医疗诊断领域。
该研究以「Automating General Movements Assessment with quantitative deep learning to facilitate early screening of cerebral palsy」为题，于2023 年 12 月 14 日发布在《Nature Communications》。
论文链接：https://www.nature.com/articles/s41467-023-44141-x
